ผู้แต่ง: Deep Value Memetics แปลโดย Golden Finance xiaozou
ในบทความนี้เราจะสำรวจอนาคตของกรอบงาน Crypto X AI เราจะมองไปที่กรอบงานหลักสี่ชุดในปัจจุบัน (ELIZA, GAME, ARC, ZEREPY) และความแตกต่างทางเทคนิคของแต่ละชุด.
1、บทนำ
เราได้ทำการศึกษาและทดสอบกรอบงาน Crypto X AI สี่ตัวหลัก ได้แก่ ELIZA, GAME, ARC, ZEREPY ในช่วงสัปดาห์ที่ผ่านมา ผลที่เราได้สรุปได้มีดังนี้.
เรามั่นใจว่า AI16Z จะยังคงเป็นผู้นำ Eliza มีมูลค่า (ส่วนแบ่งตลาดประมาณ 60% มูลค่าตลาดกว่า 1 พันล้านดอลลาร์) เนื่องจากข้อได้เปรียบในการเข้าตลาดก่อน (Lindy Effect) และการที่มีนักพัฒนามาใช้งานมากขึ้น ข้อมูลเกี่ยวกับผู้มีส่วนร่วม 193 คน, การแยก 1800 ครั้ง และดาวมากกว่า 6000 ดวง เป็นหลักฐานที่พิสูจน์ว่า Eliza เป็นหนึ่งในคลังข้อมูลที่ได้รับความนิยมมากที่สุดใน Github.
จนถึงปัจจุบัน การพัฒนา GAME (มีส่วนแบ่งการตลาดประมาณ 20% มูลค่าตลาดประมาณ 300 ล้านดอลลาร์สหรัฐ) เป็นไปอย่างราบรื่น กำลังได้รับการนำไปใช้อย่างรวดเร็ว ตามที่ VIRTUAL เพิ่งประกาศไว้ แพลตฟอร์มมีโครงการมากกว่า 200 โครงการ จำนวนคำขอรายวัน 150,000 รายการ และอัตราการเติบโตประจำสัปดาห์ที่ 200% GAME จะยังคงได้รับประโยชน์จากการเพิ่มขึ้นของ VIRTUAL และจะกลายเป็นหนึ่งในผู้ชนะที่ใหญ่ที่สุดในระบบนิเวศของมัน.
Rig（ARC，ส่วนแบ่งการตลาดประมาณ 15%，มูลค่าตลาดประมาณ 1.6 ล้านดอลลาร์สหรัฐ）ดึงดูดความสนใจอย่างมาก เนื่องจากการออกแบบแบบโมดูลาร์ที่ใช้งานง่าย และสามารถเป็น “pure-play” ที่ครองตลาดในระบบนิเวศของ Solana (RUST) ได้.
Zerepy (ส่วนแบ่งตลาดประมาณ 5%, มูลค่าตลาดประมาณ 300 ล้านดอลลาร์) เป็นแอปพลิเคชันที่ค่อนข้างเฉพาะกลุ่ม ซึ่งมุ่งเป้าไปที่ชุมชน ZEREBRO ที่หลงใหล และการร่วมมือกับชุมชน ai16z เมื่อเร็วๆ นี้อาจสร้างผลกระทบเชิงบวกต่อกันได้.
เราสังเกตว่า การคำนวณส่วนแบ่งการตลาดของเราครอบคลุมมูลค่าตลาด บันทึกการพัฒนา และตลาดระบบปฏิบัติการพื้นฐาน
เราคิดว่าตลาดเฉพาะกรอบในวัฏจักรตลาดนี้จะเป็นพื้นที่ที่เติบโตเร็วที่สุด มูลค่าตลาดรวม 1.7 พันล้านดอลลาร์อาจเติบโตได้อย่างง่ายดายถึง 20 พันล้านดอลลาร์ ซึ่งยังถือว่าค่อนข้างอนุรักษ์นิยมเมื่อเปรียบเทียบกับการประเมินมูลค่าสูงสุดของ L1 ในปี 2021 ที่ซึ่งการประเมินมูลค่าของ L1 หลายตัวเกิน 20 พันล้านดอลลาร์ แม้ว่ากรอบเหล่านี้จะบริการตลาดปลายทางที่แตกต่างกัน (เช่น เครือข่าย/ระบบนิเวศ) แต่เนื่องจากเราคิดว่าด้านนี้อยู่ในแนวโน้มที่เพิ่มขึ้น วิธีการถ่วงน้ำหนักตามมูลค่าตลาดอาจเป็นวิธีการที่ระมัดระวังที่สุด.
2、สี่กรอบหลัก
ในตารางด้านล่างนี้ เราได้ระบุเทคโนโลยีหลัก ส่วนประกอบ และข้อดีของโครงสร้างหลักต่างๆ ไว้
! 9QWj2COuwGQYXBstk6MThoHfphrEq4UXz95DfgzC.png
（1）ภาพรวมกรอบงาน
ในสาขาที่ตัดกันของ AI X Crypto มีกรอบงานหลายอย่างที่ส่งเสริมการพัฒนา AI ซึ่งได้แก่ ELIZA ของ AI16Z, RIG ของ ARC, ZEREBRO ของ ZEREPY และ VIRTUAL ของ GAME กรอบงานแต่ละอันตอบสนองต่อความต้องการและแนวคิดที่แตกต่างกันในกระบวนการพัฒนาเอเจนต์ AI ตั้งแต่โครงการในชุมชนโอเพ่นซอร์สไปจนถึงโซลูชันระดับองค์กรที่มุ่งเน้นด้านประสิทธิภาพ
บทความนี้จะเริ่มต้นด้วยการแนะนำเฟรมเวิร์ก โดยบอกทุกคนว่าเฟรมเวิร์กคืออะไร ใช้ภาษาโปรแกรมอะไร สถาปัตยกรรมเทคโนโลยี อัลกอริธึม มีฟังก์ชันเฉพาะตัวอย่างไร และกรณีการใช้งานที่เป็นไปได้ของเฟรมเวิร์กมีอะไรบ้าง จากนั้นเราจะเปรียบเทียบเฟรมเวิร์กแต่ละตัวในด้านความสามารถในการใช้งาน ความสามารถในการขยายตัว ความสามารถในการปรับตัว และประสิทธิภาพ โดยสำรวจข้อดีและข้อจำกัดของแต่ละตัว.
ELIZA (พัฒนาโดย ai16z)
Eliza เป็นกรอบการจำลองแบบหลายตัวแทนแบบโอเพนซอร์ส ซึ่งมุ่งหวังที่จะสร้าง จัดทำ และจัดการตัวแทน AI อิสระ มันถูกพัฒนาด้วยภาษาโปรแกรม TypeScript และมอบแพลตฟอร์มที่ยืดหยุ่นและสามารถขยายได้สำหรับการสร้างตัวแทนอัจฉริยะ ซึ่งตัวแทนอัจฉริยะเหล่านี้สามารถโต้ตอบกับมนุษย์ได้ในหลายแพลตฟอร์ม และรักษาเอกลักษณ์และความรู้ที่สอดคล้องกัน
คุณสมบัติหลักของกรอบงานนี้ประกอบด้วยสถ معمารถหลายตัวที่สนับสนุนการปรับใช้และจัดการบุคลิกภาพ AI ที่ไม่เหมือนใครได้พร้อมกัน รวมถึงระบบบทบาทที่สร้างตัวแทนต่าง ๆ โดยใช้กรอบไฟล์บทบาท และฟังก์ชันการจัดการความจำที่รับรู้บริบทและความจำระยะยาวผ่านระบบการสร้างที่ปรับปรุงด้วยการค้นหาขั้นสูง (RAG) นอกจากนี้กรอบงาน Eliza ยังมอบการรวมแพลตฟอร์มที่ราบรื่น สามารถเชื่อมต่อกับ Discord, X และแพลตฟอร์มโซเชียลมีเดียอื่น ๆ ได้อย่างเชื่อถือได้.
จากมุมมองของฟังก์ชันการสื่อสารและสื่อของตัวแทน AI Eliza เป็นตัวเลือกที่ยอดเยี่ยม ในด้านการสื่อสาร โครงสร้างนี้สนับสนุนการรวมฟังก์ชันช่องเสียงกับ Discord ฟังก์ชัน X Telegram และการเข้าถึง API โดยตรงสำหรับกรณีการใช้งานที่ปรับแต่งได้ ในทางกลับกัน ฟังก์ชันการประมวลผลสื่อของโครงสร้างนี้สามารถขยายไปยังการอ่านและวิเคราะห์เอกสาร PDF การดึงเนื้อหาลิงก์และการสรุป การถอดเสียงเสียง การประมวลผลเนื้อหาวิดีโอ การวิเคราะห์ภาพ และการสรุปการสนทนา ซึ่งสามารถจัดการกับการป้อนและการส่งออกสื่อประเภทต่างๆ ได้อย่างมีประสิทธิภาพ
กรอบงาน Eliza ให้การสนับสนุนโมเดล AI ที่ยืดหยุ่นผ่านการอนุมานในท้องถิ่นของโมเดลโอเพนซอร์ส การอนุมานในคลาวด์ของ OpenAI และการกำหนดค่าตั้งต้น (เช่น Nous Hermes Llama 3.1B) และรวมถึงการสนับสนุน Claude ในการจัดการงานที่ซับซ้อน Eliza ใช้สถาปัตยกรรมแบบแยกส่วน มีการสนับสนุนระบบปฏิบัติการที่หลากหลาย การสนับสนุนลูกค้าแบบกำหนดเอง และ API ที่ครอบคลุม เพื่อรับประกันความสามารถในการปรับขนาดและความสามารถในการปรับตัวระหว่างแอปพลิเคชันต่างๆ
กรณีการใช้งานของ Eliza ข้ามหลายสาขา เช่น: ผู้ช่วย AI สำหรับการสนับสนุนลูกค้า การตรวจสอบชุมชน และงานส่วนบุคคล รวมถึงผู้สร้างเนื้อหา หุ่นยนต์โต้ตอบ และบทบาทตัวแทนแบรนด์ในโซเชียลมีเดีย มันยังสามารถทำหน้าที่เป็นผู้ทำงานด้านความรู้ รับบทเป็นผู้ช่วยวิจัย นักวิเคราะห์เนื้อหา และผู้จัดการเอกสาร รวมถึงสนับสนุนบทบาทโต้ตอบในรูปแบบของหุ่นยนต์เล่นบท บทเรียนการศึกษา และตัวแทนขาย.
สถาปัตยกรรมของ Eliza ถูกสร้างขึ้นรอบ ๆ การทำงานของตัวแทน (agent runtime) ซึ่งการทำงานของตัวแทนนี้จะรวมเข้ากับระบบบทบาท (ที่ได้รับการสนับสนุนจากผู้ให้บริการโมเดล) ผู้จัดการหน่วยความจำ (เชื่อมต่อกับฐานข้อมูล) และระบบปฏิบัติการ (เชื่อมโยงกับแพลตฟอร์มไคลเอนต์) ได้อย่างไร้รอยต่อ ฟีเจอร์ที่เป็นเอกลักษณ์ของกรอบงานนี้รวมถึงระบบปลั๊กอินที่รองรับการขยายฟังก์ชันแบบโมดูลาร์ รองรับการโต้ตอบแบบมัลติโหมด เช่น เสียง ข้อความ และสื่อ และเข้ากันได้กับโมเดล AI ชั้นนำ (เช่น Llama, GPT-4 และ Claude) ด้วยการออกแบบที่หลากหลายและทรงพลัง Eliza จึงโดดเด่นในฐานะเครื่องมือที่ทรงพลังในการพัฒนาแอปพลิเคชัน AI ข้ามสาขา.
G.A.M.E (พัฒนาโดย Virtuals Protocol)
กรอบการสร้างสรรค์ที่เป็นอิสระแบบหลายโมเดล (G.A.M.E) มีวัตถุประสงค์เพื่อให้ผู้พัฒนาสามารถเข้าถึง API และ SDK สำหรับการทดลอง AI ตัวแทน กรอบนี้นำเสนอวิธีการที่มีโครงสร้างสำหรับการจัดการพฤติกรรม การตัดสินใจ และกระบวนการเรียนรู้ของ AI ตัวแทน
ส่วนประกอบหลักมีดังนี้: ก่อนอื่น อินเทอร์เฟซการกระตุ้นตัวแทน (Agent Prompting Interface) เป็นจุดเริ่มต้นที่นักพัฒนาจะรวม GAME เข้ากับตัวแทนเพื่อเข้าถึงพฤติกรรมของตัวแทน ระบบการรับรู้ (Perception Subsystem) จะเริ่มเซสชันโดยการระบุพารามิเตอร์ต่างๆ เช่น ID เซสชัน, ID ตัวแทน, ผู้ใช้ และรายละเอียดที่เกี่ยวข้องอื่นๆ.
มันจะรวมข้อมูลที่เข้ามาเป็นรูปแบบที่เหมาะสมกับเครื่องยนต์วางแผนกลยุทธ์ (Strategic Planning Engine) ทำหน้าที่เป็นกลไกการป้อนข้อมูลที่รู้สึกของ AI ไม่ว่าจะในรูปแบบของการสนทนาหรือการตอบสนอง แกนหลักคือโมดูลการจัดการการสนทนา ซึ่งใช้ในการจัดการข้อความและการตอบสนองจากตัวแทน และทำงานร่วมกับระบบการรับรู้เพื่อแปลและตอบสนองต่อข้อมูลได้อย่างมีประสิทธิภาพ.
เอนจินการวางแผนกลยุทธ์ทำงานร่วมกับโมดูลการจัดการการสนทนาและผู้ดำเนินการกระเป๋าเงินบนบล็อกเชน เพื่อสร้างการตอบสนองและแผนงาน เอนจินนี้มีฟังก์ชันสองระดับ: เป็นผู้วางแผนระดับสูง สร้างกลยุทธ์ที่กว้างขวางตามบริบทหรือเป้าหมาย; เป็นกลยุทธ์ระดับต่ำที่แปลงกลยุทธ์เหล่านี้เป็นกลยุทธ์ที่สามารถดำเนินการได้ ซึ่งกลยุทธ์นี้จะแยกออกเป็นผู้วางแผนการกระทำสำหรับกำหนดงานและผู้ดำเนินการวางแผนสำหรับการดำเนินงานงาน.
อีกหนึ่งส่วนประกอบที่สำคัญและแยกออกมา คือ World Context (บริบทของโลก) ซึ่งอ้างอิงถึงสภาพแวดล้อม ข้อมูลทั่วโลก และสถานะของเกม เพื่อให้ข้อมูลที่จำเป็นสำหรับการตัดสินใจของตัวแทน นอกจากนี้ Agent Repository (คลังตัวแทน) ยังใช้ในการเก็บคุณสมบัติระยะยาว เช่น เป้าหมาย การสะท้อน ประสบการณ์ และบุคลิกภาพ ซึ่งทั้งหมดนี้มีส่วนร่วมในการกำหนดพฤติกรรมและกระบวนการตัดสินใจของตัวแทน.
กรอบงานนี้ใช้หน่วยความจำระยะสั้นและหน่วยความจำระยะยาวในการประมวลผล หน่วยความจำระยะสั้นจะเก็บข้อมูลที่เกี่ยวข้องกับพฤติกรรมก่อนหน้า ผลลัพธ์ และแผนการในปัจจุบัน ในขณะที่หน่วยความจำระยะยาวจะดึงข้อมูลสำคัญตามเกณฑ์ เช่น ความสำคัญ ความทันสมัย และความเกี่ยวข้อง หน่วยความจำระยะยาวเก็บประสบการณ์ การสะท้อน การสร้างบุคลิกภาพแบบไดนามิก บริบทของโลก และความรู้ในหน่วยความจำระยะทำงาน เพื่อเสริมสร้างการตัดสินใจและให้พื้นฐานการเรียนรู้
โมดูลการเรียนรู้ใช้ข้อมูลจากระบบการรับรู้เพื่อสร้างความรู้ทั่วไป ซึ่งความรู้เหล่านี้จะถูกนำกลับไปยังระบบเพื่อปรับปรุงการมีปฏิสัมพันธ์ในอนาคต นักพัฒนาสามารถป้อนข้อมูลเกี่ยวกับการกระทำ สถานะเกม และข้อมูลการรับรู้ผ่านทางอินเทอร์เฟซ เพื่อเสริมสร้างความสามารถในการเรียนรู้ของตัวแทน AI และเพิ่มความสามารถในการวางแผนและตัดสินใจ.
กระบวนการทำงานเริ่มต้นขึ้นเมื่อผู้พัฒนาทำการโต้ตอบผ่านส่วนติดต่อผู้ใช้ของตัวแทน ข้อมูลที่ป้อนจะถูกประมวลผลโดยระบบรับรู้และส่งต่อไปยังโมดูลการจัดการการสนทนา โมดูลการจัดการการสนทนาจะรับผิดชอบในการจัดการตรรกะของการโต้ตอบ จากนั้น เอนจินการวางแผนกลยุทธ์จะวางแผนและดำเนินการตามข้อมูลเหล่านี้ โดยใช้กลยุทธ์ระดับสูงและแผนปฏิบัติการที่ละเอียด
ข้อมูลจากบริบทของโลกและที่เก็บของตัวแทนจะแจ้งเตือนกระบวนการเหล่านี้ ในขณะที่การติดตามหน่วยความจำในขณะทำงานจะจัดการกับงานทันที ในเวลาเดียวกัน โปรเซสเซอร์หน่วยความจำระยะยาวจะเก็บและเรียกคืนความรู้ระยะยาว โมดูลการเรียนรู้จะวิเคราะห์ผลลัพธ์และรวมความรู้ใหม่เข้ากับระบบ ทำให้พฤติกรรมและการโต้ตอบของตัวแทนสามารถพัฒนาได้อย่างต่อเนื่อง.
RIG (พัฒนาโดย ARC)
Rig เป็นเฟรมเวิร์ก Rust แบบโอเพ่นซอร์สที่ออกแบบมาเพื่อง่ายต่อการพัฒนาแอปพลิเคชันโมเดลภาษาใหญ่ มันให้ส่วนติดต่อที่เป็นเอกภาพสำหรับการโต้ตอบกับผู้ให้บริการ LLM หลายราย เช่น OpenAI และ Anthropic และรองรับการจัดเก็บเวกเตอร์ที่หลากหลาย รวมถึง MongoDB และ Neo4j ความโดดเด่นของสถาปัตยกรรมโมดูลาร์ของเฟรมเวิร์กนี้อยู่ที่ส่วนประกอบหลัก เช่น ชั้นนามธรรมของผู้ให้บริการ (Provider Abstraction Layer) การรวมการจัดเก็บเวกเตอร์ และระบบพร็อกซี เพื่ออำนวยความสะดวกในการโต้ตอบที่ไร้รอยต่อกับ LLM.
กลุ่มเป้าหมายหลักของ Rig ประกอบด้วยนักพัฒนาที่ใช้ Rust ในการสร้างแอปพลิเคชัน AI/ML และยังรวมถึงองค์กรต่างๆ ที่ต้องการรวมผู้ให้บริการ LLM หลายรายและการจัดเก็บเวกเตอร์เข้ากับแอปพลิเคชัน Rust ของตน โครงการนี้ใช้สถาปัตยกรรมพื้นที่ทำงานที่มีหลาย crate ซึ่งสนับสนุนการขยายตัวและการจัดการโครงการที่มีประสิทธิภาพ ฟีเจอร์สำคัญคือเลเยอร์การทำให้เป็นนามธรรมของผู้ให้บริการ ซึ่งให้มาตรฐานในการทำงานและฝัง API ระหว่างผู้ให้บริการ LLM ที่แตกต่างกัน โดยมีการจัดการข้อผิดพลาดที่สอดคล้องกัน ส่วนประกอบการรวมการจัดเก็บเวกเตอร์ (Vector Store Integration) ให้การเชื่อมต่อที่เป็นนามธรรมสำหรับหลาย backend และสนับสนุนการค้นหาความคล้ายคลึงของเวกเตอร์ ระบบตัวแทนช่วยให้การโต้ตอบกับ LLM ง่ายขึ้น สนับสนุนการสร้างที่เสริมด้วยการค้นหา (RAG) และการรวมเครื่องมือ นอกจากนี้ กรอบการฝังยังมีฟังก์ชันการประมวลผลแบบแบตช์และการดำเนินการฝังที่มีความปลอดภัยในประเภท.
Rig ใช้ประโยชน์จากเทคโนโลยีหลายอย่างเพื่อให้มั่นใจในความน่าเชื่อถือและประสิทธิภาพ การทำงานแบบอะซิงโครนัสใช้การทำงานแบบอะซิงโครนัสของ Rust เพื่อจัดการคำขอที่เกิดขึ้นพร้อมกันจำนวนมากได้อย่างมีประสิทธิภาพ กลไกการจัดการข้อผิดพลาดในตัวของเฟรมเวิร์กช่วยเพิ่มความสามารถในการกู้คืนจากความล้มเหลวของผู้ให้บริการ AI หรือการดำเนินการฐานข้อมูล ความปลอดภัยของประเภทสามารถป้องกันข้อผิดพลาดในระหว่างกระบวนการคอมไพล์ ซึ่งช่วยเพิ่มความสามารถในการบำรุงรักษาโค้ด กระบวนการการเรียงลำดับและการแปลงข้อมูลที่มีประสิทธิภาพสนับสนุนการประมวลผลข้อมูลในรูปแบบเช่น JSON ซึ่งเป็นสิ่งสำคัญต่อการสื่อสารและการจัดเก็บบริการ AI การบันทึกและการตรวจจับที่ละเอียดช่วยในการดีบักและการตรวจสอบแอปพลิเคชันต่อไป.
การทำงานของ Rig จะเริ่มขึ้นเมื่อมีการส่งคำขอจากไคลเอนต์ ซึ่งคำขอนี้จะโต้ตอบกับโมเดล LLM ที่เหมาะสมผ่านเลเยอร์นามผู้ให้บริการ จากนั้น ข้อมูลจะถูกประมวลผลโดยเลเยอร์หลัก ซึ่งในเลเยอร์หลัก เอเจนต์สามารถใช้เครื่องมือหรือเข้าถึงที่เก็บเวกเตอร์ของบริบทได้ การตอบกลับจะถูกสร้างและปรับแต่งผ่านกระบวนการที่ซับซ้อน (เช่น RAG) ก่อนที่จะส่งกลับไปยังไคลเอนต์ โดยกระบวนการนี้เกี่ยวข้องกับการค้นหาข้อมูลและการทำความเข้าใจบริบท ระบบนี้ได้รวมผู้ให้บริการ LLM หลายรายและที่เก็บเวกเตอร์ มีความสามารถในการปรับตัวต่อการอัปเดตความพร้อมใช้งานหรือประสิทธิภาพของโมเดล
กรณีการใช้งานของ Rig มีหลากหลายรูปแบบ รวมถึงระบบถาม-ตอบที่สามารถค้นหาเอกสารที่เกี่ยวข้องเพื่อให้คำตอบที่แม่นยำ ระบบค้นหาและดึงข้อมูลเอกสารเพื่อการค้นพบเนื้อหาที่มีประสิทธิภาพ รวมถึงแชทบอทหรือผู้ช่วยเสมือนที่ให้การโต้ตอบที่มีความรู้สึกตามบริบทสำหรับการบริการลูกค้าหรือการศึกษา นอกจากนี้ยังสนับสนุนการสร้างเนื้อหา สนับสนุนการสร้างข้อความและวัสดุต่างๆ ตามรูปแบบการเรียนรู้ ทำให้เป็นเครื่องมือที่ใช้ได้ทั่วไปสำหรับนักพัฒนาและองค์กรต่างๆ
Zerepy (พัฒนาโดย ZEREPY และ blorm)
ZerePy เป็นโครงสร้างพื้นฐานโอเพนซอร์สที่เขียนด้วยภาษา Python ซึ่งออกแบบมาเพื่อใช้ในการปรับใช้พร็อกซีบน X โดยใช้ OpenAI หรือ Anthropic LLM เป็นโมดูลเวอร์ชันโมดูลาร์ที่มาจากแบ็กเอนด์ของ Zerebro ZerePy อนุญาตให้นักพัฒนาสามารถเริ่มต้นพร็อกซีที่มีฟังก์ชันหลักที่คล้ายคลึงกับ Zerebro แม้ว่าโครงสร้างพื้นฐานจะให้พื้นฐานสำหรับการปรับใช้พร็อกซี แต่การปรับแต่งโมเดลก็จำเป็นสำหรับการสร้างผลลัพธ์ที่สร้างสรรค์ ZerePy ทำให้การพัฒนาและการปรับใช้พร็อกซี AI ที่ปรับให้เหมาะสมเป็นเรื่องง่าย โดยเฉพาะอย่างยิ่งสำหรับการสร้างเนื้อหาบนแพลตฟอร์มสังคม สร้างระบบนิเวศทางความคิดสร้างสรรค์ที่ขับเคลื่อนด้วย AI ที่มุ่งเน้นศิลปะและแอปพลิเคชันแบบกระจายศูนย์
กรอบงานนี้พัฒนาด้วย Python เน้นการกระจายอำนาจของตัวแทน มุ่งเน้นไปที่การสร้างผลลัพธ์ที่สร้างสรรค์ โดยสอดคล้องกับสถาปัตยกรรมของ ELIZA และความสัมพันธ์กับ ELIZA การออกแบบแบบโมดูลาร์สนับสนุนการรวมระบบหน่วยความจำ และสนับสนุนการปรับใช้ตัวแทนในแพลตฟอร์มโซเชียล ฟังก์ชันหลักประกอบด้วยอินเทอร์เฟซคำสั่งสำหรับการจัดการตัวแทน การรวมกับ Twitter การสนับสนุน OpenAI และ Anthropic LLM และระบบการเชื่อมต่อแบบโมดูลาร์เพื่อเพิ่มฟังก์ชันการทำงาน
กรณีการใช้งานของ ZerePy ครอบคลุมถึงด้านการทำงานอัตโนมัติในโซเชียลมีเดีย โดยผู้ใช้สามารถติดตั้งตัวแทนปัญญาประดิษฐ์เพื่อทำการโพสต์ ตอบกลับ กดไลค์ และแชร์ ซึ่งจะช่วยเพิ่มการมีส่วนร่วมในแพลตฟอร์ม นอกจากนี้ยังตอบสนองต่อการสร้างเนื้อหาในด้านดนตรี มีม และ NFT ทำให้มันเป็นเครื่องมือที่สำคัญสำหรับศิลปะดิจิทัลและแพลตฟอร์มเนื้อหาที่ใช้เทคโนโลยีบล็อกเชน.
（2）การเปรียบเทียบสี่กรอบ
ในความเห็นของเรา ทุกกรอบงานให้วิธีการที่ไม่เหมือนใครในการพัฒนา AI ซึ่งตรงตามความต้องการและสภาพแวดล้อมเฉพาะ เราจะเปลี่ยนจุดสนใจจากความสัมพันธ์ทางการแข่งขันของกรอบงานเหล่านี้ไปยังเอกลักษณ์ของแต่ละกรอบงาน.
ELIZA โดดเด่นด้วยอินเทอร์เฟซที่ใช้งานง่าย โดยเฉพาะสำหรับนักพัฒนาที่คุ้นเคยกับสภาพแวดล้อม JavaScript และ Node.js เอกสารที่ครอบคลุมช่วยในการตั้งค่าตัวแทนปัญญาประดิษฐ์บนแพลตฟอร์มต่างๆ แม้ว่าชุดฟังก์ชันที่กว้างขวางอาจนำมาซึ่งเส้นทางการเรียนรู้ที่ค่อนข้างสูง การพัฒนาโดยใช้ TypeScript ทำให้ Eliza เป็นตัวเลือกที่เหมาะสมในการสร้างตัวแทนที่ฝังอยู่ในเว็บ เนื่องจากโครงสร้างพื้นฐานของเว็บส่วนใหญ่พัฒนาด้วย TypeScript เฟรมเวิร์กนี้เป็นที่รู้จักในด้านสถาปัตยกรรมมัลติเอเจนต์ที่สามารถปรับใช้บุคลิกภาพของ AI ที่แตกต่างกันบนแพลตฟอร์มต่างๆ เช่น Discord, X และ Telegram ระบบการจัดการหน่วยความจำ RAG ที่ล้ำสมัยทำให้มีประสิทธิภาพโดยเฉพาะในการสนับสนุนลูกค้าหรือแอปพลิเคชันโซเชียลมีเดียที่มีผู้ช่วย AI แม้ว่าจะมีความยืดหยุ่น การสนับสนุนจากชุมชนที่แข็งแกร่ง และประสิทธิภาพที่สม่ำเสมอข้ามแพลตฟอร์ม แต่ยังอยู่ในระยะเริ่มต้นและอาจทำให้เกิดเส้นทางการเรียนรู้สำหรับนักพัฒนา.
GAME ถูกออกแบบมาสำหรับนักพัฒนาเกม โดยให้บริการ API ที่มีอินเทอร์เฟซที่มีโค้ดต่ำหรือไม่มีโค้ด ทำให้ผู้ใช้ที่มีความรู้ทางเทคโนโลยีในด้านเกมต่ำสามารถใช้งานได้ อย่างไรก็ตาม มันมุ่งเน้นไปที่การพัฒนาเกมและการรวมบล็อกเชน ซึ่งอาจสร้างเส้นโค้งการเรียนรู้ที่ชันสำหรับผู้ที่ไม่มีประสบการณ์ที่เกี่ยวข้อง มันโดดเด่นในด้านการสร้างเนื้อหาทางโปรแกรมและพฤติกรรมของ NPC แต่ถูกจำกัดโดยความซับซ้อนที่เพิ่มขึ้นจากการแบ่งกลุ่มเฉพาะและการรวมบล็อกเชน.
เนื่องจากการใช้ภาษา Rust และความซับซ้อนของภาษา ทำให้ Rig อาจจะไม่เป็นมิตรนัก ซึ่งนำไปสู่อุปสรรคในการเรียนรู้ที่สำคัญ แต่สำหรับผู้ที่เชี่ยวชาญในการเขียนโปรแกรมระบบ มันมีการโต้ตอบที่ชัดเจน เมื่อเปรียบเทียบกับ typescript ภาษาโปรแกรมนี้มีชื่อเสียงในด้านประสิทธิภาพและความปลอดภัยของหน่วยความจำ (memory safety) มันมีการตรวจสอบที่เข้มงวดในเวลาคอมไพล์และการทำงานที่ไม่มีค่าใช้จ่ายเพิ่มเติม ซึ่งเป็นสิ่งจำเป็นสำหรับการรันอัลกอริธึม AI ที่ซับซ้อน ภาษานี้มีประสิทธิภาพมาก และการควบคุมในระดับต่ำทำให้มันเป็นตัวเลือกที่เหมาะสมสำหรับแอพพลิเคชั่น AI ที่ต้องการทรัพยากรสูง เฟรมเวิร์กนี้มีโซลูชันที่มีประสิทธิภาพสูงด้วยการออกแบบที่มีความเป็นโมดูลและขยายได้ ทำให้มันเป็นตัวเลือกที่เหมาะสมสำหรับแอพพลิเคชั่นทางธุรกิจ อย่างไรก็ตาม สำหรับนักพัฒนาที่ไม่คุ้นเคยกับ Rust การใช้งาน Rust ย่อมต้องเผชิญกับเส้นโค้งการเรียนรู้ที่ชัน.
ZerePy ใช้ Python เพื่อให้ความสามารถที่สูงสำหรับงาน AI ที่สร้างสรรค์ โดยมีเส้นโค้งการเรียนรู้ที่ต่ำสำหรับนักพัฒนา Python โดยเฉพาะสำหรับนักพัฒนาที่มีพื้นฐานด้าน AI/ML และได้รับประโยชน์จากการสนับสนุนของชุมชนที่แข็งแกร่งจากชุมชนการเข้ารหัสของ Zerebro ZerePy เชี่ยวชาญในแอปพลิเคชัน AI ที่สร้างสรรค์ เช่น NFT โดยกำหนดตนเองเป็นเครื่องมือที่ทรงพลังสำหรับสื่อดิจิทัลและศิลปะ แม้ว่ามันจะเติบโตในด้านความคิดสร้างสรรค์ แต่ขอบเขตของมันค่อนข้างแคบเมื่อเปรียบเทียบกับเฟรมเวิร์กอื่น ๆ.
ในด้านความสามารถในการขยายตัว ELIZA ได้ก้าวหน้าอย่างมากในอัปเดต V2 โดยได้แนะนำสายข้อความที่เป็นเอกภาพและกรอบหลักที่สามารถขยายได้ ซึ่งสนับสนุนการจัดการที่มีประสิทธิภาพข้ามหลายแพลตฟอร์ม อย่างไรก็ตาม หากไม่มีการปรับแต่ง การจัดการการโต้ตอบข้ามแพลตฟอร์มอาจนำมาซึ่งความท้าทายในด้านความสามารถในการขยายตัว.
GAME มีประสิทธิภาพที่ยอดเยี่ยมในด้านการประมวลผลเรียลไทม์ที่จำเป็นสำหรับเกม โดยมีความสามารถในการขยายตัวซึ่งจัดการโดยอัลกอริธึมที่มีประสิทธิภาพและระบบบล็อกเชนที่กระจายอำนาจ แม้ว่าจะอาจถูกจำกัดโดยเอนจินเกมเฉพาะหรือเครือข่ายบล็อกเชน.
กรอบ Rig ใช้ประสิทธิภาพความสามารถในการขยายตัวของ Rust ออกแบบมาสำหรับแอปพลิเคชันที่มีการรับส่งข้อมูลสูง ซึ่งมีประสิทธิภาพโดยเฉพาะสำหรับการใช้งานในระดับองค์กร แม้ว่านี่อาจหมายถึงการตั้งค่าที่ซับซ้อนเพื่อให้เกิดการขยายตัวที่แท้จริง
ความสามารถในการขยายตัวของ Zerepy มุ่งเน้นไปที่ผลผลิตที่สร้างสรรค์ โดยมีการสนับสนุนจากชุมชน แต่จุดสนใจที่มุ่งเน้นอาจจำกัดการใช้งานในบริบทที่กว้างขึ้นของปัญญาประดิษฐ์ ความสามารถในการขยายตัวอาจได้รับการทดสอบจากความหลากหลายของงานที่สร้างสรรค์มากกว่าจำนวนผู้ใช้.
ในด้านการปรับตัว ELIZA มีความโดดเด่นด้วยระบบปลั๊กอินและความเข้ากันได้ข้ามแพลตฟอร์ม ขณะที่ GAME ในสภาพแวดล้อมเกมและ Rig ที่จัดการกับงาน AI ที่ซับซ้อนก็ทำได้ดีมาก ZerePy แสดงให้เห็นถึงความสามารถในการปรับตัวที่สูงในด้านความคิดสร้างสรรค์ แต่ไม่ค่อยเหมาะสำหรับการใช้งาน AI ในวงกว้าง.
ในด้านประสิทธิภาพ ELIZA ได้รับการปรับแต่งสำหรับการโต้ตอบผ่านโซเชียลมีเดียอย่างรวดเร็ว โดยเวลาตอบสนองที่รวดเร็วเป็นสิ่งสำคัญ แต่ในการจัดการกับงานคำนวณที่ซับซ้อนมากขึ้น อาจมีการแสดงผลที่แตกต่างกันออกไป
GAME ที่พัฒนาโดย Virtual Protocol มุ่งเน้นไปที่การโต้ตอบแบบเรียลไทม์ที่มีประสิทธิภาพสูงในฉากเกม โดยใช้กระบวนการตัดสินใจที่มีประสิทธิภาพและบล็อกเชนที่มีศักยภาพในการดำเนินการปัญญาประดิษฐ์แบบกระจายศูนย์
กรอบ Rig พัฒนาขึ้นบนภาษา Rust เพื่อมอบประสิทธิภาพที่ยอดเยี่ยมสำหรับงานคอมพิวเตอร์ประสิทธิภาพสูง เหมาะสำหรับแอปพลิเคชันทางธุรกิจที่มีความสำคัญต่อประสิทธิภาพในการคำนวณ.
ประสิทธิภาพของ Zerepy ถูกออกแบบมาเพื่อการสร้างเนื้อหาที่มีความคิดสร้างสรรค์ โดยมีตัวชี้วัดที่เน้นที่ประสิทธิภาพและคุณภาพของการสร้างเนื้อหา ซึ่งอาจไม่ค่อยใช้ได้ในด้านที่ไม่ใช่ความคิดสร้างสรรค์.
ข้อดีของ ELIZA คือการให้ความยืดหยุ่นและความสามารถในการขยายตัว โดยมีระบบปลั๊กอินและการกำหนดบทบาทที่ทำให้มันมีความสามารถในการปรับตัวสูง ซึ่งเป็นประโยชน์ต่อการมีปฏิสัมพันธ์กับ AI สังคมข้ามแพลตฟอร์ม
GAME提供ฟังก์ชันการโต้ตอบแบบเรียลไทม์ที่ไม่เหมือนใครในเกม โดยการรวมเข้ากับบล็อกเชนเพื่อเสริมสร้างการเข้าร่วมของ AI ที่แปลกใหม่.
ข้อดีของ Rig คือประสิทธิภาพและความสามารถในการขยายตัวสำหรับงานปัญญาประดิษฐ์ขององค์กร โดยมุ่งเน้นไปที่การจัดหาซอร์สโค้ดโมดูลาร์ที่สะอาดเพื่อสุขภาพของโครงการระยะยาว
Zerepy เชี่ยวชาญในการพัฒนาความคิดสร้างสรรค์ โดยอยู่ในแนวหน้าของแอปพลิเคชันศิลปะดิจิทัลที่ใช้ปัญญาประดิษฐ์ และได้รับการสนับสนุนจากโมเดลการพัฒนาที่ขับเคลื่อนด้วยชุมชนที่มีชีวิตชีวา.
ทุกกรอบมีข้อจำกัดของตัวเอง ELIZA ยังอยู่ในระยะเริ่มต้น มีปัญหาความเสถียรที่อาจเกิดขึ้นและช่วงการเรียนรู้สำหรับนักพัฒนาใหม่ เกมที่มีผู้เล่นน้อยอาจจำกัดการใช้งานที่กว้างขึ้น และบล็อกเชนยังเพิ่มความซับซ้อน Rig อาจทำให้บางส่วนของนักพัฒนารู้สึกท้อแท้เนื่องจากช่วงการเรียนรู้ที่ชันของ Rust ขณะที่ Zerepy อาจจำกัดการใช้งานในด้าน AI อื่น ๆ เนื่องจากความสนใจที่มีต่อการสร้างสรรค์ที่แคบ.
（3）สรุปการเปรียบเทียบกรอบ
แท่นขุดเจาะ (ARC):
ภาษา：Rust มุ่งเน้นความปลอดภัยและประสิทธิภาพ。
กรณีการใช้งาน: ตัวเลือกที่เหมาะสมสำหรับแอปพลิเคชัน AI ระดับองค์กร เนื่องจากมุ่งเน้นที่ประสิทธิภาพและความสามารถในการขยายตัว.
ชุมชน: ไม่ค่อยได้รับการขับเคลื่อนจากชุมชน แต่เน้นที่นักพัฒนาทางเทคนิคมากกว่า.
เอลิซ่า (AI16Z):
ภาษา: TypeScript เน้นความยืดหยุ่นของ web3 และการมีส่วนร่วมของชุมชน。
กรณีการใช้งาน: ออกแบบสำหรับการโต้ตอบทางสังคม, DAO และการซื้อขาย โดยเน้นระบบตัวแทนหลายตัวเป็นพิเศษ.
ชุมชน: ขับเคลื่อนโดยชุมชนอย่างสูง มีการมีส่วนร่วมใน GitHub อย่างกว้างขวาง.
ZerePy (ZEREBRO):
ภาษา: Python ทำให้สามารถใช้งานได้กับฐานนักพัฒนา AI ที่กว้างขึ้น
กรณีการใช้งาน: เหมาะสำหรับการทำงานอัตโนมัติในโซเชียลมีเดียและงานตัวแทน AI ที่ง่ายขึ้น.
ชุมชน: ค่อนข้างใหม่ แต่มีแนวโน้มที่จะเติบโตเนื่องจากความนิยมของ Python และการสนับสนุนจากผู้สนับสนุน AI16Z.
เกม (เสมือน):
จุดสนใจ: ตัวแทนปัญญาประดิษฐ์ที่เป็นอิสระและปรับตัวได้ ซึ่งสามารถพัฒนาตามการมีปฏิสัมพันธ์ในสภาพแวดล้อมเสมือน.
กรณีการใช้งาน: เหมาะที่สุดสำหรับการเรียนรู้และปรับตัวของตัวแทน AI เช่น เกมหรือโลกเสมือน
ชุมชน: ชุมชนที่สร้างสรรค์ แต่ยังคงกำลังหาตำแหน่งของตนในการแข่งขัน.
3、แนวโน้มข้อมูลดาวบน Github
! WwLoIpwzEOFhGg9cRuLcUueFqXpxu7HukpuIxOss.png
ภาพด้านบนแสดงข้อมูลการติดดาว GitHub ตั้งแต่กรอบงานเหล่านี้ถูกเผยแพร่ ควรสังเกตว่าการติดดาว GitHub เป็นตัวชี้วัดความสนใจของชุมชน ความนิยมของโครงการ และมูลค่าที่รับรู้ของโครงการ
ELIZA (สายสีแดง) :
เริ่มจากฐานต่ำในเดือนกรกฎาคมและเพิ่มขึ้นจนถึงจำนวน star ที่เพิ่มขึ้นอย่างมากในปลายเดือนพฤศจิกายน (ถึง 61,000 ดวง) ซึ่งแสดงให้เห็นว่าความสนใจของผู้คนเพิ่มขึ้นอย่างรวดเร็วและดึงดูดความสนใจของนักพัฒนา การเติบโตแบบทวีคูณนี้แสดงให้เห็นว่า ELIZA ได้รับความนิยมอย่างมากเนื่องจากฟังก์ชัน การอัปเดต และการมีส่วนร่วมของชุมชน ความนิยมของมันสูงกว่าคู่แข่งอื่น ๆ อย่างมาก ซึ่งแสดงให้เห็นว่ามีการสนับสนุนจากชุมชนที่แข็งแกร่งและมีความน่าสนใจหรือการใช้งานที่กว้างขวางในชุมชนปัญญาประดิษฐ์
RIG（เส้นสีน้ำเงิน）：
Rigเป็นหนึ่งในสี่กรอบที่มีประวัติศาสตร์ยาวนานที่สุด โดยมีจำนวนดาวอยู่ในระดับที่เหมาะสมแต่ยังคงเติบโตอย่างต่อเนื่อง ในเดือนถัดไปมีแนวโน้มว่าจะเพิ่มขึ้นอย่างมาก มันได้ถึง1700ดาวแล้ว แต่ยังคงเพิ่มขึ้นต่อไป การพัฒนาอย่างต่อเนื่อง การอัปเดต และจำนวนผู้ใช้ที่เพิ่มขึ้นอย่างต่อเนื่องคือสาเหตุที่ทำให้ความสนใจของผู้ใช้เพิ่มขึ้นอย่างต่อเนื่อง นี่อาจสะท้อนให้เห็นว่าผู้ใช้กรอบนี้เป็นกลุ่มเล็กๆ หรือยังคงสะสมชื่อเสียงอยู่
ZEREPY (เส้นสีเหลือง) :
ZerePy เพิ่งเปิดตัวไปเมื่อไม่กี่วันก่อน และได้สะสมดาวไปแล้ว 181 ดวง สิ่งที่ควรเน้นคือ ZerePy ต้องการการพัฒนามากขึ้นเพื่อเพิ่มการมองเห็นและอัตราการนำไปใช้ ความร่วมมือกับ AI16Z อาจดึงดูดผู้เข้าร่วมการเขียนโค้ดมากขึ้น
เกม (เส้นเขียว):
จำนวนดาวของโครงการนี้น้อยที่สุด สิ่งที่น่าสังเกตคือกรอบงานนี้สามารถนำไปใช้กับตัวแทนในระบบนิเวศเสมือนผ่าน API โดยตรง ซึ่งทำให้ไม่จำเป็นต้องมองเห็น Github อย่างไรก็ตาม กรอบงานนี้เพิ่งเปิดให้ผู้สร้างใช้งานเมื่อมากกว่าหนึ่งเดือนที่ผ่านมา โดยมีโครงการมากกว่า 200 โครงการที่กำลังสร้างด้วย GAME.
4、กรอบเหตุผลการดูขาขึ้น
เวอร์ชัน V2 ของ Eliza จะรวมชุดตัวแทน Coinbase ไว้ด้วย โครงการทั้งหมดที่ใช้ Eliza ในอนาคตจะรองรับ TEE แบบเนทีฟ ทำให้ตัวแทนสามารถทำงานในสภาพแวดล้อมที่ปลอดภัย ฟีเจอร์หนึ่งที่กำลังจะเปิดตัวของ Eliza คือทะเบียนปลั๊กอิน (Plugin Registry) ที่จะช่วยให้นักพัฒนาลงทะเบียนและรวมปลั๊กอินได้อย่างราบรื่น.
นอกจากนี้ Eliza V2 จะสนับสนุนการส่งข้อความข้ามแพลตฟอร์มแบบไม่ระบุตัวตนโดยอัตโนมัติ เอกสารไวท์เปเปอร์เศรษฐศาสตร์โทเค็นมีกำหนดจะเผยแพร่ในวันที่ 1 มกราคม 2025 คาดว่าจะส่งผลดีต่อโทเค็น AI16Z ที่อยู่เบื้องหลังกรอบ Eliza แผนของ AI16Z คือการเพิ่มประสิทธิภาพของกรอบต่อไปและดึงดูดบุคลากรที่มีคุณภาพ โดยความพยายามของผู้มีส่วนร่วมหลักได้แสดงให้เห็นแล้วว่ามีความสามารถดังกล่าว
GAMEกรอบงานให้การรวมแบบไม่มีโค้ดสำหรับตัวแทน ทำให้สามารถใช้ GAME และ ELIZA พร้อมกันในโครงการเดียว โดยให้บริการตามวัตถุประสงค์เฉพาะ การเข้าหาในรูปแบบนี้มีแนวโน้มที่จะดึงดูดผู้สร้างที่มุ่งเน้นไปที่ตรรกะทางธุรกิจมากกว่าความซับซ้อนทางเทคโนโลยี แม้ว่ากรอบงานนี้จะเปิดตัวสาธารณะเพียง 30 วัน แต่ด้วยความพยายามของทีมในการดึงดูดการสนับสนุนจากผู้มีส่วนร่วมมากขึ้น มันได้ทำความก้าวหน้าอย่างมีนัยสำคัญ คาดว่าทุกโครงการที่จะเปิดตัวใน VIRTUAL จะใช้ GAME
Rig ที่มีตัวแทนเป็นโทเค็น ARC มีศักยภาพมหาศาล แม้ว่ากรอบของมันจะยังอยู่ในระยะการเติบโตในช่วงต้น และแผนการผลักดันการนำโครงการมาใช้ก็เพิ่งเริ่มต้นขึ้นเมื่อไม่กี่วันก่อน แต่โครงการคุณภาพสูงที่ใช้ ARC คาดว่าจะปรากฏขึ้นในเร็ว ๆ นี้ คล้ายกับ Virtual Flywheel แต่เน้นไปที่ Solana ทีมงานมีมุมมองเชิงบวกต่อความร่วมมือกับ Solana และเปรียบความสัมพันธ์ระหว่าง ARC กับ Solana ว่าเหมือนกับ Virtual กับ Base ที่น่าสังเกตคือ ทีมงานไม่เพียงแต่สนับสนุนโครงการใหม่ให้ใช้ Rig ในการเริ่มต้น แต่ยังสนับสนุนให้นักพัฒนาปรับปรุงกรอบ Rig เองด้วย.
Zerepy เป็นกรอบงานใหม่ที่ได้รับความสนใจมากขึ้นเรื่อย ๆ เนื่องจากความร่วมมือกับ Eliza กรอบงานนี้ดึงดูดผู้มีส่วนร่วมจาก Eliza ที่กำลังปรับปรุงมันอย่างกระตือรือร้น ภายใต้แรงสนับสนุนของแฟน ๆ ZEREBRO มันมีผู้ติดตามที่กระตือรือร้นและมอบโอกาสใหม่ ๆ ให้กับนักพัฒนา Python ที่ก่อนหน้านี้ขาดการเป็นตัวแทนในความแข่งขันด้านโครงสร้างพื้นฐาน AI กรอบงานนี้จะมีบทบาทสำคัญในด้านความคิดสร้างสรรค์ของ AI.
